模糊技术

2024-10-05

模糊技术（精选12篇）

模糊技术篇1

图像复原是指将模糊或者退化了的图像进行修复,改善退化图像的质量使其尽可能复原出原始的真实图像。

由于图像的传送和转换,总要造成图像的降质。在拍摄期间,如果相机与景物之间存在足够大的相对运动,就会造成照片的模糊,即为图像的运动模糊。运动模糊是造成图像退化的重要原因之一,对运动模糊图像的复原研究早已成为图像复原领域的热点,退化模型的建立方法特别是退化参数(运动模糊方向和运动模糊距离)的估计已经有了比较成熟的方法,噪声滤除技术也在不断地发展和完善。本文则对几种参数估计方法和滤波方法进行概括和对比总结,以便于在以后的研究中更具有针对性。

1 几种求退化函数的方法介绍

1.1 图像的方向微分原理及自相关的点扩散函数尺度鉴别原理鉴别运动模糊参数[3]

由于存在着惯性,在摄取图像的短暂曝光时间内,物体的运动方向一般认为是不变的,即近似为直线运动。若能由已知的运动模糊图像准确地估计出运动模糊方向,通过图像旋转,将运动模糊方向旋转到水平轴方向,这样的旋转可以把原来二维的运动模糊点扩散函数转变为一维函数,同样,整个图像复原工作就由二维问题转化为一维问题,经过这样的处理大大降低了模糊图像复原的难度,并为图像复原的并行计算创造有利条件。

这里定义物体运动的水平方向为0度,实际运动方向与水平方向的夹角记为a,这里规定上为负、下为正,并且按照顺时针增大。一般来讲,匀速直线运动的点扩散函数是矩形函数,在其对应的频域上存在周期性的零值,运用方向微分算子不但可以有效地估计匀速直线运动、加速运动物体的运动方向和点扩散函数,而且具有自动鉴别性能良好的抵抗噪声。

基于方向微分的鉴别方法的基本思想是:把原图像的自相关函数及其功率谱密度看作是各向同性的一阶马尔可夫过程。由于物体的运动方向与零值条纹方向相垂直,当物体在运动过程中出现运动模糊时,运动方向上图像的高频成分被降低,而其他方向上图像的高频成分影响较小,特别是对运动方向垂直的部分高频成分没有任何影响。在此条件下对模糊图像进行方向性的高通滤波(方向微分),在运动模糊方向上,由于此方向模糊图像对应的高频成分最少,滤波(方向微分)之后模糊图像在此方向上的能量损失最大,得到的微分图像灰度值(绝对值)之和必然最小,而在其他的方向上,能量损失相对较少,所以得到最小的图像灰度值(绝对值)之和便得到了运动模糊方向。

知道了运动模糊方向以后,接下来需要对模糊尺度进行识别。所谓的模糊尺度是指物体与相机之间的相对运动距离,也就是相对运动模糊带的长度。它与模糊函数的自相关函数大小有关。在求模糊尺度之前,首先对模糊图像进行模糊带增强的预处理,即对模糊图像在垂直于运动方向进行求导运算。然后再沿运动方向进行求导(后面一个像素点的灰度值减去前面一个像素点的灰度值),大多数模糊图像的背景的像素点有很强的相关性,得到的导数是在模糊带端点(i=1,n-1)正负相反的两个冲激函数,两个最低点之间距离的二分之一即为我们所求的模糊距离。

利用方向微分鉴别运动模糊方向,利用求导和自相关等技术确定运动模糊点扩散函数尺度,不但可以有效地鉴别匀速运动、加速运动、振动等各种运动的模糊方向,而且可以很好的估计出模糊尺度,此方法具有很强的抗干扰能力,鉴别范围大,精度高、鲁棒性强。

1.2 三次样条插值方法求运动模糊方向[7]

在实验中发现方向微分方法鉴别结果误差较大,通过观察方向微分图的直方图,在方向微分方法的基础上,给出了一种新的鉴别模糊方向的算法,它可以鉴别匀速直线运动、变加速运动、振动等各种运动的模糊方向,在计算需要插值处的灰度值时,给出了插值精度比较高的三次样条插值的计算方法。经过实验证明,该算法具有更高的鉴别精度。

三次样条曲线是由分段的三次曲线并接而成。一维的三次样条插值函数S(x)∈C[x0,xn],且在每个小区间[xj,xj+1](j=0,1,…,n-1上是三次多项式,其中x0

其中系数Aj、Bj、Cj、Dj待定。根据差值公式便可以微分图像的灰度值,从而实现模糊图像的方向鉴别。令:

通过观察不同角度的微分图像的直方图,可以发觉越靠近真实运动模糊方向,其最大绝对灰度值越小。于是考虑用微分图像的最大绝对灰度值M(Δf)θ来代替绝对灰度值之和I(Δf)θ作为鉴别条件。

从理论上也可以证明这一点,越接近真实运动模糊方向,高频成分越少,微分图像像素就越集中分布在低灰度区,而运动方向上的最大绝对灰度值也越小。

1.3 光流方程借鉴法[5]

光流方程借鉴法是近年来出现的一种应用比较广泛的方法,它能很好的确定运动模糊图像的点扩散函数(PSF),它的基本思想是:利用原始图像作为初始值来研究运动模糊的形成过程。通过对模糊图像的分析可以发现,在图像中存在大量的方向平行于运动方向的直线,也就相当于沿着运动方向整幅图像在做刚体运动。在此方向上用Hough变换检测模糊角度,从而确定运动模糊方向。模糊图像沿运动方向的导数等于原始图像与其移位的差,两者之间的距离恰为模糊尺度。从而得到模糊核和点扩散函数(PSF)。

在运动方向的检测上,因为运动方向基本上与模糊图像刚体运动方向平行,并且模糊图像中存在着大量的平行于运动方向的直线,因此,检测这些直线的方向就可以确定运动模糊的方向。模糊图像中运动物体的边缘一般都不是很分明,可以先对模糊图像进行边缘检测,这样可以更好的突出运动物体的运动轨迹。

下面是对一幅运动模糊图像进行实验的实验结果,首先应用Sobel算子进行边缘检测,分别对模糊长度为20、35、45、60的运动模糊的方向进行估计,模糊方向区间设定为[-90°,90°),实验以10°为间隔,规定线段至少有10个像素才能检测出来,当存在4个像素的间断点时,做连接处理,于此同时用Hough变换进行遍历检测,这里设其间隔角度为0.5°实验结果如图示1所示。

从实验结果中可以看出,Hough变换能够很好的检测出平行的直线,但是在实际的应用当中,特别是在复杂背景下原始图像中本身存在的线条也会影响方向检测的估计结果,并且这种影响会随着模糊程度的加深而变得越来越小。

在此方法中,运动模糊尺度的估计方法和自相关的点扩散函数尺度鉴别法有相近的地方,其原理也是先把退化图像旋转-θ,从而把运动模糊方向转化到水平方向,然后应用自相关函数进行模糊长度的估计。模糊图像沿运动方向的导数等于原始图像与其移位图像的差,两者之间的距离即为模糊尺度。考虑到原始图像自身的相关性对运动方向的影响,这里加入一个滤波器来抑制因上边的差分而产生的扩大化的噪声,对求导后的图像沿水平方向进行差分,并计算其自相关函数,每行取均值。把这些均值进行对比在其中心两边将分别出现一个最小值。这个最值与中心的距离既是所要找的模糊尺度。

此方法应用Hough变换和自相关函数来估计模糊角度和尺度。Hough的遍历检测能够很好的抑制噪声,自相关函数的均值比较使得检测结果受误差影响很小,因此这种算法能够达到精确检测的目的。

1.4 种植迭代算法在空间域内求H函数[4]

设原始图象为f,退化算子为H,它包括图象本身的退化和乘性噪声所引起的退化,加性噪声为n,退化图象为g,则图象退化模型可表述为:g=Hf+n当图象退化模式已知,且不考虑噪声影响时,公式可以变为g=Hf由于H是一个相当大的矩阵,一般的算法计算相当的复杂,在这里借助于方程组的超松驰迭代法来求解方程,从而可以在g和H已知的情况下恢复出原始图像f。

下面介绍一下超松驰迭代法求解原理。我们将上边提到的方程变换为Hf=g则方程便成为一个以f为未知数的方程组,如果图象大小仍为256*256,则f为256*256向量,方程组的未知数个数为256*256,设经过第k次迭代后方程组的解为fk,引入剩余向量rk=g-Hfk,则下一迭代值可以表示为:fk+1=fk+rk。

上式实质上是用)次迭代后的剩余向量来改进fk。对上式引入加速因子w得到超松驰迭代法如下式:fk+1=fk+w(g-Hfk)

其中w亦称为松驰因子。

把上边的原理应用于图像处理中,应用信噪比来评估,信噪比公式为:

其中f,g,分别为原始图象、退化图象和恢复图象。

实验结果表明,迭代次数越多则恢复图象质量越获得改善,此方法对图像的改进有很好的作用。

2 几种去除噪声的方法介绍

在求得了系统的退化函数H以后下一步的工作就是对图像的噪声进行滤除,根据不同的噪声特点采用不同的滤波方法,在面就对几种常用的滤波方法进行介绍和总结。

2.1 均值滤波方法

这种滤波方法是在图像上,对待处理的像素给定一个模板,该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。它主要包括以下几种类型:算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器等。其中算术均值滤波器和几何均值滤波器应用较为广泛。

在实际用用中发现因为均值滤波对所有的点都是同等对待,在将噪声点分摊的同时,将景物的边界点也分摊了,所以它会使图像变的模糊。但是又因为高斯噪声的幅值近似正态分布,其均值为零,且污染点分布在每点像素上。所以均值滤波对高斯噪声有很好的滤除作用。

2.2 中值滤波方法

中值滤波方法主要的思想就是:在某个模板中,对像素进行由小到大排列的重新排列,那么最亮的或者是最暗的点一定被排在两侧,取模板中排在中间位置上的像素的灰度值替代待处理像素的值,就可以达到滤除噪声的目的。它最常用的公式是:

自适应中值滤波器是中值滤波器中最主要的一种,自适应中值滤波器不但可以工作在矩形窗口区sxy,而且它还可以在进行滤波处理时依据一定的条件改变sxy的大小。因此可以弥补前边滤波器的不足。对于椒盐噪声来说,由于它是幅值近似相等但随机分布在不同位置上,噪声均值不为零,所以用均值滤波器的滤波效果要好很多。

2.3 逆滤波

逆滤波法是经典的图像复原算法,它是用退化图像的傅立叶变换来计算原始图像的傅立叶变换的估计,对于复原模型来说当忽略噪声的影响时,退化模型的傅氏变换为:

H(x,y)称为系统的传递函数,从频域角度来看,它使图像退化,由上式可得复原图像的谱F(x,y)=G(x,y)/H(x,y),其中1/H(x,y)称为逆滤波器,对F(x,y)进行傅氏反变换即可得到复原图像f(x,y)。

实际应用中由于噪声的影响使得此种滤波方法存在这病态问题,也就是说当有噪声存在且H(x,y)等于零或者非常小的数值点上时,噪声就会被放大。这就意味着F(x,y)将变成无穷大或非常大的数。而噪声的干扰就会被放得很大,有可能使恢复的图像和f(x,y)相差很大,甚至面目全非。系统中存在噪声有逆滤波复原的表达式为:

解决该病态问题的唯一方法就是避开H(x,y)的零点即小数值的H(x,y),途径有两种:一是,使H(x,y)具有低通滤波的性质。二是,在H(x,y)=0及其附近,人为地仔细设置H-1(x,y)的值,使N(x,y)*H-1(x,y)不会对复原产生太大的影响。

逆滤波方法是一种简单实用,物理意义明确的滤波方法,被广泛应用到工业领域,

不过由于算法自身的原因,存在着许多局限性,使得它的使用受到一定的限制。

2.4 维纳滤波

维纳滤波又称为最小均方误差滤波,它用于图像复原的基本思想是:假设信号是平稳随机的,按照准备恢复的图像与原图像的均方差最小原则来实现滤波。目标是寻找一个使统计误差函数:e2=E{(f-f軇)}最小的估计了f軇(x,y),E是期望值,f是未退化图像。该表达式在频域可表示为:

式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)

表示H(u,v)的复共扼;sη(u,v)=|N(u,v)|2

表示噪声的功率谱;sf(u,v)=|F(u,v)|2

表示未退化图像的功率谱。

但是实际应用中大多并不知道信号和噪声的分布状态,则上边得式子可以简化为:

从上式可得,只要知道了H(u,v),确立适当的K值,作相应的逆傅里叶变换,即可得到复原图像。虽然维纳滤波算法能够以低的代价获得较好的复原效果,但它必须提前知道系统的点扩散函数,所以其应用性得到了很大的限制。

3 结束语

图像复原是图像处理中非常重要的一部分,对图像复原的研究具有十分重要的现实意义。本文只是将近几年来应用比较广泛的一些退化函数求法和滤波方法进行了总结和比较,希望能为以后的学习提供一些参考。当然,因为图像复原本身具有一定的难度,因此,在这方面还有很多技术需进一步的研究以便达到更优化的效果。

参考文献

[1]冈萨雷斯.数字图像处理[M].2版.北京:电子工业出版社,2007.

[2]张毓晋.数字图像处理[M].北京科学出版社,2001.

[3]张云霞.运动模糊图像的复原与重构[D].大连理工大学硕士学位论文,2006.

[4]彭钧.一种图象运动模糊恢复的简易有效算法[J].电脑开发与应用,2002,15(10).

[5]陈波.一种新的运动模糊图像恢复方法[D].计算机应用,2008,28(8).

[6]孙跃.图像降晰参数估计和复原方法的研究[D].重庆大学硕士学位论文,2007.

[7]姜华,刘国庆,成孝刚.图像运动模糊方向的检测方法[J].计算机应用,2008(S1).

[8]张变莲,卢一鑫,陈琦.一种运动模糊图像的盲复原方法[J].科技信息,2008(17).

模糊技术篇2

模糊控制技术在污水处理曝气系统的应用

摘要：在当前污水处理的.曝气系统中,其过程变化规律难以建立准确的数学模型来进行描述.而模糊控制技术则不需要精确的数学模型,它是吸收人工控制的经验,然后依据一些推理规则,决定控制决策.鉴于此,针对污水处理过程的工艺特点,引入模糊控制技术,将模糊控制策略应用于污水曝气过程.结果表明,模糊控制能满足污水处理过程中对CAST池含氧量的控制要求,控制效果比较理想,滞后小,系统稳定也快.作者：王维贺作者单位：深圳达实智能股份有限公司,广东,深圳,518057期刊：硅谷 Journal：SILICON VALLEY年，卷(期)：,“”(14)分类号：X7关键词：模糊控制污水处理曝气过程曝气池

模糊技术篇3

【关键词】技术创新风险；模糊灰色综合评价法；风险评价；风险因素

中图分类号：F275 文献标识码：A 文章编号：1004-5937（2015）20-0044-05

伴随着市场经济的发展与完善，企业自身的竞争力优势进一步加强，要想在竞争日益激烈的市场下保持优势，只能依靠技术创新。而技术创新不可避免地伴随着风险，所以识别风险因素，并运用专业手段评价相关风险，才能为企业创新决策提供科学参考与依据。

一、技术创新风险和风险评价的含义

（一）技术创新风险的含义

企业在实施技术创新项目过程中，因为市场、企业技术的不确定性、技术创新项目自身的难度和宏观环境等因素的影响，由此而引发创新项目的中断甚至失败，从而达不到预期经济效果和技术指标，造成损失的可能性，就是技术创新风险。

（二）风险评价

建立在风险估测和识别的基础上，参考风险对特定目标的影响程度大小，全面考虑其他因素，将项目的风险进行分级排序，这个过程就叫做风险评价。它主要通过建立风险评价专业模型，并结合具体风险因素来进行综合分析，估测出风险的发生概率及其导致的损失程度，从而找出该创新风险的关键并确定项目整体的风险水平，为企业提供科学的依据，从而保障项目的顺利进行。

项目风险评价的过程为：

1.搜集数据

首先必须搜集数据，可以参照类似项目的历史记录进行搜集，但必须保障数据与本创新项目相关。如果历史资料不能满足需求，有可能需要通过征集专家意见去获得一些主观但是专业的评价。

2.建立不确定性模型

以已得数据为基础，对相关风险进行明确的量化，进一步形成风险评价模型。

3.评价风险影响

在不确定性模型建立之后，全面分析相关风险的影响，运用科学的评价方法，把风险结合起来。项目风险评价过程如图1所示。

二、技术创新项目风险因素指标的设计

一般情况下，建立指标体系中的风险因素要能够做到全面、准确并有效，可以说明创新项目中的所有风险，除了已出现的，还要对未出现的潜在风险进行反映。

本文参考众多学者已提出的风险因素体系，将其中交叉和重复的因素去除，结合我国现有的技术创新状况、企业创新发展现状和问题，建立了创新项目的风险因素体系，如表1所示。

三、构建技术创新的模糊灰色综合评价模型

参考原有技术创新项目的风险识别和评价方法，可以看到，如果仅仅是单一地运用模糊评价法，就有可能面临信息丢失的问题，而且单纯地采用模糊评价法，专家评判的一致性就没有办法衡量。如果单纯地使用灰色综合评价法，很显然，可以在一定程度上解决信息丢失的问题，但是，对于专家评判的一致性，同样没有办法衡量出来。所以如果只是单纯地使用模糊评价法或灰色综合评价法，都有可能造成评价结果与实际存在偏差的情况出现，因为要将这两种方法相结合，使评价能够更加系统、全面、准确。

运用多层次的模糊灰色综合评价方法，通过分析，可以得到属于该企业技术创新项目的总体风险程度大小，除此之外，还可以识别出所属的各级风险因素指标的不同风险级别。鉴于此，企业就可以查找到影响自身技术创新项目成败与否的关键原因，并能采取有针对性的措施，对于不同风险级别采用不同方法，合理地配置有效资源，从而达到降低整个技术创新风险的目的，使创新项目可以顺利地进行下去。

四、模糊灰色综合评价模型的实证分析

为了简化样本数据的搜集工作，本分析的数据通过对文献谢科范、佘廉（2004）的《企业风险管理》和李晓峰（2005）在《企业技术创新风险测度与决策及其预控研究》中的研究，选取了一些较为典型的案例在此作为样本来进行分析。

选取XX石化公司“新型蒸发式空冷机”技术创新项目进行风险评价。“新型蒸发式空冷机”技术创新项目旨在研究出一种新表面蒸发式空冷器，替代夏季运行冷却能力不足的原干式空冷器，还为因扩能改造导致装置空间狭小的难题，找到了有效的解决方法，较常规空冷器每年可节约60%的用电量。仅此一项，每年可为生产装置节约不少的电力费用。

在此，运用模糊灰色综合评价模型对“新型蒸发式空冷机”技术创新项目进行风险评价。该项目的具体风险因素指标及其评价值见表2。

风险分析具体计算步骤如下：

1.对各因素指标的权重予以确定。通过文献查找与询问调查，得出反映各项指标对创新项目的成败影响程度的评分值并计算出大多数指标权重，其余部分参考专家的各项意见依据经验打分，并归一处理其评分值，得到对应的完整一级和二级指标权重。

3.进行模糊综合评判

根据最大隶属性原则，参考计算所得数据，可判断出，此技术创新项目属于风险级别较低的程度，而这个风险评估结果也与项目在实际中所遇到的风险程度基本相同。同样地，通过计算，得出各级指标的综合值，也可以用来判断各级指标所处的风险大小和风险级别。

通过多层次的模糊灰色综合评价，不但能够分析出该企业技术创新项目（新型蒸发式空冷机）的总体综合风险程度，还可以识别并确认各级风险因素指标的相应风险级别。经过创新的风险分析与评价，企业就可以从中找到影响自身技术创新项目能否成功的关键因素，从而采取有针对性的措施，对于不同风险级别采用不同方法，合理地配置有效资源，从而达到降低整个技术创新风险的目的，使创新项目可以顺利地进行下去。

五、总结

无论企业进行何种技术创新，只要在决策之时，风险就始终存在并一直伴随着创新项目。所以，技术创新项目一旦通过预测作出具体选定决策，企业经营者就必须随时密切关注技术创新风险的变化，做到对现存风险和未出现的潜在风险因素都能进行分析、估测和评价，并在此基础上，千方百计地寻求可以防范风险的有效对策和具体措施，力求把风险的影响降到最低。

综合以上分析，企业在应对技术创新项目上，应加大对财务風险的评价与分析，才能及时地提出有效的风险预警与规避方案，使得创新项目能更好地运行下去。

【参考文献】

[1] 杨知宇，杨景海.基于现金流量视角的财务风险预警模型分析[J].会计之友，2014（30）：46-50.

[2] 鲍新中，何思婧.企业财务预警的研究方法及其改进——基于文献综述[J].南京审计学院学报，2012（5）：60-70.

[3] 李晓奇.上市公司财务风险预警Logistic模型的研究[D].北京交通大学硕士学位论文，2011.

[4] 孙威武.企业技术创新项目风险评价[J].中南财经政法大学学报，2004（1）：120-124.

[5] 欧阳歆.基于Z模型的物联网企业财务风险评价研究[J].会计之友，2014（4）：70-73.

[6] 谢科范，等.企业风险管理[M].武汉：武汉理工大学出版社，2004.

[7] 李晓峰.企业技术创新风险测度与决策及其预控研究[D].四川大学博士学位论文，2005.

VFP模糊查询技术的应用篇4

1 简单的模糊查询

(1)利用比较操作符“=”进行模糊查询。先把SET EX-ACT的设置为OFF,这时“=”用于两个字符表达式之间作比较,其规则是“=”右边的字符逐个与“=”左边相同位置的字符进行比较,只要遇到其中一个字符不相等,或者“=”右边的字符表达式结束,比较操作就结束。所以,"abc"="abc","abc"="ab","ab_"="ab","ab"=""的比较结果均为逻辑真(.T.)。可见,这种方法的模糊性是不能令人满意的。

(2)利用“$”进行包含比较,其模糊查询的效果就比用“=”时好得多。这种方法是在“$”右边的字符表达式中查找“$”左边的字符表达式,若找到返回逻辑真(.T.),否则返回逻辑假(.F.)。用这种方法只要“$”左边字符表达式的每一个字符在“$”右边字符表达式中存在且位置不间断,查找就能成功。然而对于诸如前面提到的“嘉兴学院”或“嘉职学院”之类的简称,其查找结果为逻辑假(.F.)。

由此可见,直接利用“=”和“$”进行比较操作是不能太“模糊”的。

2 查询条件为缩略语或简称的模糊查询

缩略语或简称在地名、单位名称中使用非常广泛。通常,缩略语或简称是由全称中的某些排列位置不连续的字符组成的。因此,通过设置不同长度字符串进行比较的规则,或者利用包含比较符“$”,是不能对缩略语或简称进行模糊查询的。这时可以编写一个通用的自定义函数,将用户输入的查询条件(<字符串2>)与字符型字段变量(<字符串1>)进行逐字比较,如果<字符串2>是<字符串1>的缩略语或简称,则返回逻辑真(.T.);否则返回逻辑假(.F.),从而实现模糊查询。

2.1 设计思想

此函数必须是一个通用函数。为此,执行时可先接受两个参数──<字符串1>和<字符串2>。从<字符串2>的左边开始取其第一、二个字符X1,用AT()函数测试X1在<字符串1>中的位置S1,如果S1不为0,就将<字符串1>中包含X1以及左边部分的字符截掉,并取<字符串2>中的第三、四个字符X2,用AT()函数测试X2在<字符串1>的剩余部分中的位置S2,若S2不为0,就将<字符串1>的剩余部分中包含X2以及左边部分的字符截掉,直到将<字符串2>中的字符取完并在<字符串1>中测试完为止,最后本函数返回逻辑真(.T.)。在这个过程中只要有一次测试不成功(即Sn=0),则退出本函数并返回逻辑假(.F.)。因为一个汉字占两个ASCII字符,所以每次取二个相邻字符进行测试(让ZFBJ.PRG中的K=2)。这样做一是可以减少测试比较的次数,提高程序运行速度;二是当<字符串2>中含有数字、字母等半角字符时,可以减少满足条件的记录数目,提高查询的命中率。然而,若查询条件中含有英文缩写,则每次只能取一个ASCII字符进行测试(让ZFBJ.PRG中的K=1)。

2.2 使用举例

设内存变量m.field,其值为用户输入的用户名称的简称,如“嘉兴学院”,现在要在KTJBK.DBF中查询用户名称(字段名)为“浙江省嘉兴职业技术学院”,或为“嘉兴学院”,或为“嘉职学院”的全部记录,可以先将满足条件的记录拷贝到一临时数据库TEMP.DBF中,然后浏览,浏览完毕后删除临时数据库TEMP.DBF。其程序如下:

通过上面介绍的自定义函数实现了真正的模糊查询,然而令人遗憾的是它的速度表现总使人感到美中不足,幸好在FoxPro中引入了结构化查询语言SELECT-SQL。

3 利用FoxPro中SELECT-SQL语句的模糊查询

结构化查询语言SQL是FoxPro中值得骄傲的特色之一。利用SQL的SELECT语句可以非常方便、极其快速地进行十分复杂的查询操作。特别值得推荐的是SELECT-SQL语句中的WHERE参数支持通配符“%”和“_”。因此,对于查询条件为缩略语或简称的情况,可以非常简单地实现真正的模糊查询。这里,百分符号“%”代表0个或0个以上的任意字符,下划线符号“_”代表1个任意字符,它们只能与运算符LIKE搭配使用。

设内存变量m.field,其值为用户输入的用户名称的简称,如“嘉职学院”,现在要在KTJBK.DBF中查询用户名称(字段名)为“浙江省嘉兴职业技术学院”,或为“嘉兴学院”,或为“嘉职学院”的全部记录,可以用下面的一段程序实现:

4 结语

本程序运行时,先将m.field="嘉职学院"中插入五个通配符“%”,得到mc_cxtj="%嘉%职%学%院%"。然后利用SQL的SELECT语句,从数据库KTJBK.DBF中选出字段变量“用户名称”符合"%嘉%职%学%院%"格式的所有记录,输出到一个虚拟临时数据库TEMP.DBF中。

摘要：主要讲解在数据库管理系统中实现模糊查询的方法与技巧,提供了能实现真正模糊查询的两个通用函数的源程序,分析了结构化查询语言SQL中的通配符的使用方法。

关键词：VFP,模糊查询,SELECT-SQL

参考文献

[1]郑刚.VFP实效编程百例.(第二版),北京:人民邮电出版社,2004.

模糊技术篇5

模糊诊断技术在汽车ABS故障分析中的应用

介绍了将模糊诊断技术用于汽车ABS故障分析的基本原理和方法,详细分析了该技术各个步骤的实现过程,并以红旗世纪星轿车ABS的典型故障为例予以说明.

作者：姚永玉陈中友 Yao Yong-yu Chen Zhong-you 作者单位：姚永玉,Yao Yong-yu(洛阳理工学院,河南,洛阳,471023)

陈中友,Chen Zhong-you(枣庄技术学院,山东,枣庄,277800)

刊名：机械研究与应用英文刊名：MECHANICAL RESEARCH & APPLICATION 年，卷(期)： 22(2) 分类号：U463.7 关键词：汽车ABS 故障分析模糊诊断技术应用

模糊技术篇6

[关键词] 多层次模糊综合评判法优序图法评价指标企业技术创新绩效

一、引言

在知识经济时代，企业的生产、经营环境将发生重大变化：新技术不断涌现，产品的技术生命周期不断缩短；知识产权对技术创新成果的保护更加有效，技术贸易壁垒更加森严。在这种形势下，企业不进行技术创新就会灭亡。技术创新是转变经济增长方式的关键，是企业发展动力的源泉。对企业技术创新绩效进行系统分析和综合评判, 对于企业科学地认识自身的技术创新状态, 采取有效的技术创新战略, 保持和提高企业竞争优势, 获得最佳经济效益和社会效益具有特别重要的理论意义和现实意义。企业技术创新绩效中所包含的事物往往具有多种属性,为多层结构，层次难以界定，是一个典型的模糊性问题。企业技术创新绩效的评价存在也许多不确定性，可从不同角度去评价。建立科学、合理、严谨、量化的评价模型已成为急需解决的重要课题。多层次模糊综合评判法能将定性问题转化为定量的数学模型，使定量评价建立在定性分析的基础上，并直观地指出关键的评价问题所在，使评价更有实用性。

二、多层次模糊综合评判模型

多层次模糊综合评判法首先是根据项目的实际特点, 建立评价因素指标体系, 将所涉及到的诸因素按照某些属性划分为几类, 从低向高层次的顺序,先对每一类进行初层次的综合评价, 在此基础上再对每类所得的评价结果进行类间的更高层次的综合评价, 从而得到一个既定量化又较符合实际的评价结果。同时在多层次评价过程中, 应用优序图法来确定各因素指标的权重。具体步骤如下：

1.技术创新绩效评价指标体系的建立

结合技术创新的本质内涵、特点、创新过程特征和中国企业的创新实际，本着科学性、完备性、可比性、可操作性原则，针对企业的创新特征设计出企业技术创新绩效评价指标体系见表1。

表1 技术创新绩效评价指标体系结构

2.建立各因素的评价集V

评价集是对各层次因素评价结果的直接描述和表征形式。显然, 对每一层次的每一个因素都需要建立相应的评价集。确定模型中各个因素的评价结构均为4个等级, 即V中的元素为4个(m=4)表示为={优，良，中，差}。对第二层次各因素(共22个)而言, 它们是综合评价的基因素, 即直接调查评判的因素。而第一层次的因数和总目标因素是若干基因素评判结果的综合反映。评价集是以隶属度的形式来表征综合评价结果的。它能全面地反映评价的情况。在实际运行中, 为了使评判结果更加直观，往往要对评判结果给出具体的分数，因此设优，良，中，差分别为95分，85分，75分，65分。

3.建立因素的权重集

根据每一层次中各个因素对上一层次因素的重要程度,分别赋以相应的权数。第一层次因素权重集，第二层因素权重集(n为第一层次各因素中分别包含二次因素的个数,)。权重集的确定由多种方法，如层次分析法，本文，权重集的确定采用优序图法。其基本步骤是: 在因素层次划分模型的基础上, 由若干专家根据经验得出各层次、各因素的权重数。简单优序图是一个棋盘格式的图式, 在两两比较中,用“1”表示两两比较中相对“重要的”、“大的”、“优的”, 用“0”表示相对“不重要的”“小的”“劣的”, 用“0. 5”表示两两对比中同等重要。将每人所得的权重数按上法比较填入优序图中, 并进行优序图的互补检验。然后将所有人的优序图进行汇总综合得到各层次、各因素的权重数。

4.计算模糊评判矩阵R

(1)建立单因素模糊评判矩阵R～i

这是对每一个基因素分别作出特定的等级评判的过程。通过现场调查获得全体评判者认为因素属于评价等级的程度，让各专家或各用人单位在评价集={优，良，中，差}上针对各因素打分。例如:有n个专家对指标在V上打分,4个等级选择的频数分别是,则指标的隶属度为:。从而R～i可表示为:

，其中

其中:R～i的行数n决定于各中所含基因数的个数;R～i的列数m决定于评价集V中元素的个数。

(2)多层模糊综合评判对于多层次的综合评判问题

模糊综合评判过程是由低层次向高层次逐步进行的。首先,根据及R～i,有第二层次的模糊综合评价集:，其中(j=1,2,…n;i=1,2,3;m=1,2,3)它表示二层次中,对决定中的因素(j=1,2,…n)进行综合评判时, 评价对象Ui对各元素的隶属度。并对进行归一化处理。在上面的基础上, 再进行第一层次的模糊综合评价。此时, 模糊综合评判是按第二层次的评判矩阵综合而成的。即:

5.计算模糊向量

6.计算评价的结果C

三、应用实例

针对某一企业的技术创新能力绩效，现对其进行档案评价.邀请0位专家对起进行评价，采用优序图法确定了企业技术创新能力绩效评价中所有指标在评价集上的评定频率以及利用前文所述的权重确定方法得到的各指标因素的权重系数.评价结果如表2：

表2 10位专家对企业技术创新能力绩效的评价结果

于是，可得到一级综合评判为：

同理计算得到：

因此，可得到二级综合评判为：

综合评价结果为:。

因此,该企业的技术创新能力绩效的综合评分为87.7分，属于技术创新能力好的企业。

四、结论

本模型因素权重集的确定采用了优序图法, 极大地消降了传统权数确定过程中的主观随意性成分。该方法建立在分层次、单目标、单准则两两对比判断基础上, 最易区别优劣高低, 并容易检验, 避免了繁杂计算的错误。多层次模糊综合评判法采用模糊线性加权变换的方法处理, 避免了按“最大”“最小”运算法则只突出隶属度很大, 或隶属度很小的项的作用的不合理现象。汇总了各类人员的意见, 较全面地反映了评价对象的优劣程度, 因而评价结果具有较好的客观性, 评价者可通过该方法发现企业技术创新绩效中的薄弱环节, 为加强环节管理提供科学依据，为科学、合理地评价档案提供了依据，也为定量评价开辟了新的方法，具有一定的推广价值。

参考文献:

[1]常玉刘显东:层次分析法、模糊评价在企业技术创新能力评估中的应用[J].科技进步与对策，2002，9（24）：125—127

[2]姜炳鳞谢廷宇:企业技术创新能力评价指标体系及其多级模糊评价方法[J].商业研究，2004，18（302）：77--79

[3]王青云饶扬德:企业技术创新绩效的层次灰色综合评判模型[J].数量经济技术经济研究，2004，5：55--62

[4]陈劲陈钰芬:企业技术创新绩效评价指标体系研究[J].科学学与科学技术管理，2006，3，86—91

[5]张曙光李伟:层次分析法在建设决策方案信息处理中的应用.[J].情报科学，2006，3，302—305

[6]蓝顺碧阕向红赵甫哲:《高等医学院综合实力评估研究》权重系数的确定与程序设计.[J].医学信息学教育, 1998, 11 (4):30～33

[7]杨伦标:模糊数学原理及应用[M］.广州：华南理工大学出版社,1995，234—235

[8]何新贵:模糊知识处理与技术［M］.北京：国防工业出版社，1998，198--200

模糊抗干扰传递对准技术研究篇7

关键词：捷联惯导系统(SINS),模糊理论,传递对准,抗干扰

传递对准作为动基座初始对准的一种方法,是机载武器系统面临的一项关键技术[1]。传递对准过程中,一般要求载体进行特定的机动,进而提高系统可观测性以提高系统状态变量的收敛速度和精度[2]。然而强机动特性又会给对准过程带来干扰,进而引起系统误差,因此对抗干扰、动态传递对准的研究具有重要的战略意义。

目前,很多学者在机载SINS传递对准匹配方案、滤波算法及可观测性分析等方面做了大量研究,并考虑了惯性器件误差、安装误差、时间延迟、杆臂效应和机翼挠曲变形等因素的影响。文献[3]提出对测量数据进行预处理,提高测量信号的信噪比从而提高对准精度,文献[4]通过选取受误差影响较小的量测量进行传递对准也是克服误差影响的一种方法,然而这两种方法都是以降低对准精度或以较长的对准时间为代价的。文献[5,6]引用小波串级消噪算法通过对惯导测量单元(IMU)测量值进行消噪从而提高传递对准的性能,然而该算法是基于IMU原始测量信号的频谱特征研究的,具有一定的复杂性。

本文首先建立“速度+姿态+位置”传递对准误差模型,在速度加姿态匹配方案的基础上引入位置观测量;其次设计了一种顾及系统误差的模糊抗干扰传递对准方法,该方法在滤波估计过程中引入模糊理论,得到观测向量和状态预报向量协方差阵的估计值,利用修正后的观测向量和状态预报向量的协方差阵进行导航计算,以消除机动过程带来的干扰,从而提高状态估计精度;最后通过仿真实验验证该方法的有效性。

1 传递对准误差模型

主、子惯导系统导航坐标系均采用东北天地理坐标系。选择系统状态变量为X(t)=[δvEδvNδvUφEφNφUδφ δλ δhᐁEᐁNᐁUεEεNεU]T,系统观测量为Z(t)=[δvEδvNδvUφEφNφUδL δλ h]T。其中(δvE,δvN,δvU)为主子惯导速度误差,(φE,φN,φU)为主子惯导姿态角误差,(δL,δλ,δh)为主子惯导位置误差,(ᐁE,ᐁN,ᐁU)为加速度计常值零偏,(εE,εN,εU)为陀螺漂移。本文采用“速度+姿态+位置”传递对准匹配方案,建立机载SINS传递对准误差模型如下

${\begin{cases} δ \bar{V}^{n} = f^{n} \times φ^{n} - (2 w_{i e}^{n} + w_{e n}^{n}) \times δ V - (2 δ w_{i e}^{n} + δ w_{e n}^{n}) \times V^{n} + \nabla^{n} \\ \bar{φ}^{n} = - w_{i n}^{n} \times φ^{n} + δ w_{i e}^{n} + δ w_{e n}^{n} + ε^{n} \\ δ \bar{L} = δ v_{Ν} \frac{1}{R_{Μ} + h} - δ h \frac{v_{Ν}}{(R_{Μ} + h)^{2}} \\ δ \bar{λ} = δ v_{E} \frac{s e c L}{R_{Ν} + h} + δ L \frac{v_{E} t a n L s e c L}{R_{Ν} + h} - δ h \frac{v_{E} s e c L}{(R_{Μ} + h)^{2}} \\ δ \bar{h} = δ v_{U} \\ \bar{ε}^{n} = 0 \\ \dot{\nabla}^{n} = 0 \end{cases} (1)$

式(1)中,n,i,e分别为导航坐标系,惯性坐标系及地球坐标系,其中导航坐标系即为东北天地理坐标系。δVn为主子惯导在导航坐标系中的速度误差,fn为导航坐标系中的载体比力,φn为导航坐标系中的失准角,w $_{i e}^{n}$ 为导航坐标系中的地球自转角速率在导航坐标系内的投影,w $_{e n}^{n}$ 为导航坐标系相对地球坐标系的转动角速率在导航坐标系内的投影,εn,ᐁn分别为导航坐标系中的陀螺漂移和加速度计常值零偏,RM,RN为地球主曲率半径。

2 模糊抗干扰滤波算法

考虑强机动特性对传递对准的影响,系统状态方程和量测方程近似表示为[7]

${\begin{cases} X_{k} = Φ_{k, k - 1} X_{k - 1} + D_{k, k - 1} s_{k} + w_{k} \\ Ζ_{k} = A_{k} X_{k} + G_{k} u_{k} + e_{k} \end{cases} (2)$

式(2)中,sk为强机动引起的动力学模型系统误差,uk为强机动引起的观测模型系统误差, Dk,k-1和Gk为系数矩阵,文中为分析简便假设系数矩阵均为单位阵。wk和ek分别为动力学模型系统误差向量和观测模型系统误差向量,且均为服从N(O,Qk)和N(O,Rk)的白噪声。

定义Vk为当前时刻观测值Zk的残差向量,表达式为

$V_{k} = Η_{k} \hat{X}_{k} - Ζ_{k} - \hat{u}_{k} (3)$

式(3)中, $\hat{X}$ k为当前时刻状态参数估计值, $\hat{u}$ k为当前时刻观察模型系统误差。

定义 $V_{\bar{X}_{k}}$ 为状态预报值 $\bar{X}$ k的残差向量,表达形式如式(4)

$V_{\bar{X}_{k}} = \hat{X}_{k} - \bar{X}_{k} - \hat{s}_{k} (4)$

假设有N组采样值,i=0,1,…,N,由式(3)可以得到这N组观测Zk-i的误差方程为

$V_{k - i} = Η_{k - i} \hat{X}_{k - i} - Ζ_{k - i} - \hat{u}_{k} (5)$

协方差阵为

$Σ_{V_{k}} = \frac{1}{Ν} E (\sum_{i = 1}^{Ν} V_{k - i} V_{k - i}^{Τ}) = \frac{1}{Ν} E (\sum_{i = 1}^{Ν} (Η_{k - i} \hat{X}_{k - i} - Ζ_{k - i} - \hat{u}_{k}) (Η_{k - i} \hat{X}_{k - i} - Ζ_{k - i} - \hat{u}_{k})^{Τ})$ (6)

定义 $V_{\bar{X}_{k - i}}$ 为状态预报值 $\bar{X}$ k-i的残差向量,由式(4)可以得到这N组观测 $\bar{X}$ k-i的误差方程为

$V_{\bar{X}_{k - i}} = \hat{X}_{k - i} - \bar{X}_{k - i} - \hat{s}_{k} (7)$

协方差阵为

$Σ_{V_{\bar{X}_{k}}} = \frac{1}{Ν} E (\sum_{i = 1}^{Ν} \bar{V}_{\bar{X}_{k - i}} \bar{V}_{\bar{X}_{k - i}}^{Τ}) = \frac{1}{Ν} E (\sum_{i = 1}^{Ν} (X_{k - i} - \bar{X}_{k - i} -_{k}) (X_{k - i} - \bar{X}_{k - i} - h a t s_{k})^{Τ}) (8)$

模糊抗干扰滤波就是通过观测Vk和 $V_{\bar{X}_{k}}$ 均值及其相应协方差阵的变化,建立对应形式的隶属度函数和模糊规则,并充分融合各种有用信息,剔除异常干扰对系统状态估计值的影响,提高滤波解算精度。其本质就是基于残差的变化构造一个对应的模糊算法,使滤波器残差保持零均值,从而达到最优估计。抗干扰滤波算法设计如下:

Step1 确定模糊规则的输入量和输出量。定义 $x_{1} = \frac{1}{Ν} \sum_{i = 1}^{Ν} V_{k - i}$ , $x_{2} = \frac{1}{Ν} \sum_{i = 1}^{Ν} \bar{V}_{\bar{X}_{k - i}}$ ,x3=ΣVk-i, $x_{4} = Σ_{V_{\bar{X}_{k}}}$ ; $y_{1} = \hat{Σ}_{k}$ , $y_{2} = \hat{Σ}_{\bar{X}_{k}}$ 。其中xl(l=1,2,3,4)为模糊规则的输入量,ym(m=1,2)为模糊规则的输出量, $\hat{Σ}$ k和 $\hat{Σ}$ $_{\bar{X}_{k}}$ 分别为修正后的观测向量和状态预报向量残差的协方差阵估计值,k=1,2,···,N。

Step2 定义模糊控制规则。通过监测观测向量残差及预报向量残差,得到相应的均值及方差。如果观测向量残差的方差越来越大,均值也渐渐偏离零值,则减少观测向量在状态估计中的作用;相应地,如果预报向量残差的方差越来越大,均值也渐渐偏离零值,则减少预报向量在状态估计中的作用。

Step3. 建立隶属度函数[8]。基于残差的方差和均值的隶属度函数如下所示。

Step4 解模糊。由修正后的观测向量及状态预测残差向量的期望值为零即E(Vk-i)=0, $E (V_{\bar{X}_{k - i}}) = 0$ 得:

${\begin{cases} \hat{u}_{k} = x_{1}, y_{1} = \frac{1}{Ν} \sum_{i = 1}^{Ν} Η_{k - i} Σ_{\hat{X}_{k - i}} Η_{k - i}^{Τ} + x_{3} \\ \hat{s}_{k} = x_{2}, y_{2} = x_{4} + \hat{Σ}_{\hat{X}_{k}} \end{cases} (9)$

Step5 将模糊解带入Kalman滤波基本方程得到系统状态估计值。

3 仿真验证

对一组机动过程中的机载SINS传递对准的观测数据进行处理。飞机首先匀速平飞,然后摇摆机翼一次,摆幅为20°～30°,最后拉平保持250 m/s匀速平飞、再加速飞行。相关的仿真参数选取为:初始状态均为零;加速度计零偏为1×10-4g;陀螺常值漂移为0.01°/h;速度量测噪声为0.2 m/s;姿态角量测误差为80";位置量测误差为30 m;滤波周期为0.01 s;仿真时间为100 s;参考失准角定义为10′,-10′和50′。

采用以下3个方案进行计算、比较与分析:

方案1:使用算术平均法估计系统干扰误差,利用所得到的误差估计值修正滤波解,并与参考值作差;

方案2:使用最小二乘法估计系统干扰误差,拟合系统干扰后所得的滤波解与参考值作差;

方案3:采用本文提出的模糊抗干扰进行滤波解算,用所得滤波解与参考值作差。

仿真结果如图3、图4和图5所示,横轴为仿真时间,纵轴为误差量级(滤波输出量与参考值之差),图中仅绘制出了一个方向上的失准角误差,另外两个方向的失准角误差与此方向类似。各滤波方法输出量的统计结果如表1所示。

从仿真结果可以看出:算术平均法估计得到的滤波解与参考值的误差范围为[-3 arcmin,3 arcmin],最小二乘法估计得到的滤波解与参考值的误差范围为[-1.8 arcmin,1.6 arcmin],而本文提出的随机加权估计得到的滤波解与参考值的误差范围为[-1 arcmin,0.5 arcmin]。此外,由表1滤波输出量的误差统计结果也可以看出,模糊抗干扰的滤波输出量的误差均值(0.385 arcmin)和标准偏差(0.412 arcmin)均远远小于算术平均法和最小二乘法。由此可见,本文提出的模糊抗干扰方法能够很好地估计机动带来的系统误差,并且其效果远远优于其他两种方法。

4 结论

文中在建立了机载SINS传递对准误差模型的基础上,设计了一种顾及机动干扰引起的系统误差影响的模糊抗干扰传递对准方法。该方法在滤波估计过程中引入模糊理论,得到观测向量和状态预报向量协方差阵的估计值,利用修正后的观测向量和状态预报向量的协方差阵进行导航计算,以消除机动过程带来的干扰影响,从而提高状态估计精度。但是模糊处理本身具有一定的不确定性及复杂性,探索并寻求一种更加行之有效的、抵制强机动等引起的系统误差对传递对准影响的算法是作者以后的研究方向。

参考文献

[1]刘建业,钱伟行,曾庆化,等,瞄准吊舱捷联惯导系统快速传递对准方法.航空学报,2010;31(11):2238—2244

[2]孔星炜,郭美凤,董景新,捷联惯导快速传递对准的可观测性与机动方案.清华大学学报(自然科学版),2010;50(2):232—236

[3] El-Sheimy N,Nassar N A.Wavelet de-noising for IMU alignment.Aerospace and Electronic Systems Magazine,2004;19(10):32—39

[4] Reiner J.In-flight transfer-alignment using aircraft-to-wing stiff-angleestimation.AIAA Guidance,Navigation and Control Conference.SanDiego:AIAA1,996;237—245

[5]孙昌跃,邓正隆.结合小波消噪的捷联惯导系统传递对准性能改进.控制理论与应用,2009;26(12):1351—1357

[6] Nie Qi,Gao Xiaoying,Li Zhiping,et al.The error compensation de-sign for transfer alignment.International Conference on Mechatronicsand Automation,Xi'an,China:IEEE Press,2010;1886—1891

[7] Gao W,Yang Y,Cui Xe,t al,Application of adaptive Kalman filte-ring algorithm in IMU/GPS integrated navigation system,Geo-SpatialInformation Science.2007;10(1):22—26

数据库模糊查询技术应用篇8

1 模糊集合理论

1.1 模糊集合

所谓在论域U上的一个模糊子集A是指:∀u∈U,都有μA(u)∈[0,1]与之相对应,并且称为u属于模糊子集A的隶属度。即由映射:

确定论域U的一个模糊子集A。

μA(u)=1,表示u完全属于A;μA(u)=0,表示u完全不属于A;0<μA(u)<1,表示u隶属于A的程度。

设A为论域U上的模糊集合,∀α∈[0,1],Aα={u∈U|fA(u)≥α}⊆U,称模糊集合A的α截集,称α为置信度,即对于普通集合Aα有∀u∈U当A(u)≥α时,说明在α水平下u属于模糊集合A,记为u∈Aα,反之u∉Aα。

1.2 隶属函数

隶属函数是对模糊概念的定量描述,正确地确定隶属函数,是运用模糊集合理论解决实际问题的基础。隶属函数的确定过程允许存在一定的主观意识,可以根据实际统计数据特征从几种典型模糊分布曲线中选择最为贴近的一种作为隶属函数,经过实践效果的检验进行了调整,即通过“学习”进行修改和完善,以得到更为确实的隶属函数形式。典型的模糊分布有阶梯型、指数型、正态型、线型、幂函数型、正弦型等。

1.3 语言变量

1971年Zadeh提出模糊语义定量理论并定义了“语言变量”的概念,其算子的一般数学描述为:

L=(U,T,E,N)

其中:U是论域,即语言主体的全体;T是语言值的模糊集合;E是构成语言的所有字母和符号序列的集合;N是E对U的模糊关系。对于T中值x的语义是U上的模糊子集M(x),则U中的元素y对M(x)的隶属度可表示为:μM(x)(y)=μN(x,y)。例如:设论域U=[1,100]是学生成绩集合,T为成绩的模糊集合,E={优秀,良好,中等,一般,较差}。

1.4 语气算子

在模糊理论中将自然语言中的如“比较”、“非常”、“稍微”等词看作是一种算子,称为语气算子Hλ,从程度上来限制模糊语义,在不同等级上改变模糊语义的隶属度,如模糊语义“高”可表示为“非常高”、“比较高”,“有点高”等。语气算子是一个变换,即:HλA(x)=A(x)λ,当λ>1时称Hλ为集中化算子,λ<1时称Hλ为散漫化算子,一般将H4代表“极”,H2代表“很”,H1.25表示“相当”,H0.75代表“比较”,H0.5代表“有点”,H0.25代表“稍微有点”。

1.5 模糊化算子

自然语言中常将“大约”、“近乎”、“差不多”等具有模糊意义的词放在一个精确词或语言变量之前,表示一个模糊的范围,如“某学生计算机成绩大约80分左右”,称为F化算子。可实现对精确语义的模糊化和模糊语义的模糊化。其中对于模糊语义的模糊化算子的一般形式可表示为:

对∀x∈U,

其中A是模糊集合,μA(y)是y对A的隶属度,E是U上的相似模糊关系,相似函数μE(x,y)表示为:

式中δ>0为参数。

2 模糊SQL

SQL(Structured Query Language)作为现在大多数系统都支持的语言,已经成为标准的数据库语言。而关系数据库也是使用最为广泛数据库形式,那么针对关系数据库使用SQL并对其进行模糊扩展也就具有重要意义。对数据库查询进行模糊扩展,模糊SQL一般形式可以表示为:

其中T是一个精确或模糊关系;Ci表示T上的属性;fc是一个模糊条件,可以包含模糊关系运算符(如“约等于≈”、“远远大于>>”等)、模糊谓词(is)及连接词(AND、OR);α∈[0,1]称为阈值,由于查询条件是模糊的,因此查询结果也是一个模糊集合,集合中每个结果对于查询条件fc的满足程度即匹配度不同,设置阈值α的作用是使查询结果中匹配度大于α的记录作为结果输出。

2.1 简单模糊查询

例1:存在一个学生关系(student)如表1。

在表1中查找“计算机成绩较好的学生”,模糊SQL可表示为:

SELECT姓名,计算机

FROM student

WHERE计算机is good

WITH 0.5

对于关系上的元组,计算属性“计算机”关于“”的匹配度,隶属函数可表示为:

计算关系student中每个元组的“计算机”属性值关于模糊条件对应隶属函数的匹配度见表2。

最后根据阈值α得到结果集合中匹配度大于等于0.5的有第2、3、7、8四个元组。

2.2 复合条件模糊查询

查询条件中可以使用AND、OR等连接词交多个查询条件组合形成复合查询条件,如在学生关系中“查找英语成绩较差但总分较高的学生”,模糊SQL表示为:

SELECT姓名,英语,总分

FROM student

WHERE英语is fail and总分is good

复合查询条件中涉及关系中的多个属性,这时就需要分别计算每个元组的相应属性值针对模糊条件的匹配度,进而计算综合匹配度,当连接词分别为AND和OR时综合匹配度的计算方法为:

其中mi表示元组R的第i个属性值对于模糊项隶属函数的匹配度。

2.3 模糊查询转换为精确查询

上述简单模糊查询和复合模糊查询在对关系数据库进行操作时需要对表中所有记录进行计算,表中记录多时会影响查询效率,为减少计算量可以在查询前将模糊条件转换为精确条件,将大大提高查询效率。将模糊条件转换为精确条件可以使用隶属函数及α截集求得模糊条件中属性值的区间,那么精确查询条件也就得到。如例1“计算机成绩较好的学生”中的“较好”可根据隶属函数和α求得其对应值区间为,则模糊查询可转化为:

SELECT姓名,计算机

FROM student

WHERE计算机BETWEEN 75 AND 95

在关系student中查询结果为2、3、7、8四个元组,同例1结果相同,接下来对四个元组计算匹配度,得到最终结果,结果仍与例1相同,但效率却比例1要高。

3 结束语

在数据库模糊查询中,将自然语言中模糊概念与数据库中的精确概念建立了联系,从而使查询语言得到了扩展,本文针对这一理论介绍了简单模糊查询及复合模糊查询的处理方法并做了验证,同时介绍了模糊查询转换为精确查询的方法。以上查询方法还可以扩展到多表查询、子查询等,而关系中的属性值的隶属函数和模糊中的阈值也可根据实际需要进行调整。

摘要：该文介绍了模糊集合理论相关知识及其在关系数据库查询中的应用,针对SQL语言的SELECT语句进行了模糊扩展。分析了简单模糊查询、复合模糊查询、将模糊查询转换为精确查询的方法并通过实例进行了验证。

关键词：关系数据库,模糊查询,隶属函数,阈值,匹配度

参考文献

[1]陈逸菲.基于模糊理论的关系数据库查询技术研究[D].南京:南京信息工程大学,2005.

[2]杨纶标,高英仪.模糊数学原理及应用[M].广州:华南理工大学出版社,2004.

[3]申玉静,周爱华.基于模糊数据库的数据查询设计[J].北京:计算机教育,2007(12):126-128.

模糊技术篇9

模糊控制系统是以模糊集合论、模糊语言知识表示及模糊逻辑规则推理作为理论基础, 以计算机作为物质基础, 以计算机控制技术、自动控制理论作为技术基础的自动控制系统。

现有的控制理论是建立在被控对象精确数学模型的基础上, 但在实际工作中, 多数系统极其复杂, 难以确定其控制过程的传送函数或状态方程, 这时只有绕过精确数学模型的建立来对系统进行控制, 这就是模糊控制。系统输出的观测量y (t) 和给定值r (t) 的偏差信号e (t) 经过采样、放大和A/D转换后得到一个确定的数字量, 这好比是人凭感官得到的清晰量, 但它们在人脑中只反映为“高”或“低”、“强”或“弱”这样的模糊量, 在模糊控制中也应有这样的模糊量化过程, 具体的方法是:将人工控制规则用模糊数学进行处理, 构成一个模糊关系R存在计算机的存贮器中, 叫做“规则库”, 构成模糊控制规则。在模糊控制中, 为了在有实时输入时即时作出模糊决策, 还要确定一个推理法则, 与R一起存在计算机中。在模糊决策后经过模糊判决得到一个确切的控制量通过D/A变换后施加于被控对象完成整个控制过程。模糊判决实际是一个解模糊过程。输入量模糊化、模糊控制规则、模糊决策、模糊判决构成模糊控制器。

2 模糊控制在电器上的应用

与一般生产过程不同, 对电器的控制通常难以用数学模型描述, 整个控制过程也不象一般的生产过程那样单一, 我们生活中常使用的电饭锅就是很好的例子。普通电饭锅只有加热和保温两种状态, 仍需人工控制保温时间, 否则焖米饭常会糊锅或口感不好。用模糊控制技术对煮饭过程进行理想的智能控制, 利用模糊推理自动推算锅内的米饭量, 并根据推算出的米饭量采用最合理的煮饭工艺过程, 煮出的饭在糖化程度、黏度、口感上都好于普通电饭锅。

煮饭过程可分为吸水、加热、沸腾和焖饭四个工序, 对于不同的米量, 其沸腾时间和焖饭的最高温度是不一样的, 可以通过测定吸水工序的时间, 经过模糊推理, 推算出煮饭量、恰当的沸腾时间和焖饭的最高温度, 以此来进行理想控制, 取得最佳煮饭效果。

2.1 煮饭量的模糊推理

通过试验我们发现, 按吸水工序的时间推算煮饭量即可达到较好的效果, 因此, 煮饭量的测定在吸水阶段进行, 吸水工序采用恒加热过程。根据实验, 普通电饭锅煮饭的吸水时间为7至13分钟, 饭量在1至9小茶杯, 把输入变量量化为论域T={-3, -2, -1, 0, 1, 2, 3}, 输出变量量化为论域Q={-2, -1, 0, 1, 2}。这两组基本论域分别选三个模糊子集T1、T2、T3和Q1、Q2、Q3, 表1是变量T和Q的赋值表。模糊推理规则为if T1the n Q1、ifT2the n Q2、ifT3the n Q3, 可计算模糊关系R1、R2、R3,

2.2 沸腾时间和焖饭最高温度的模糊推理

沸腾时间和焖饭最高温度都可以由吸水工序时间来推算。根据实验, 沸腾时间一般在10至18分钟最佳, 焖饭的最高温度为125至133℃。基本论域[10, 18]和[125, 133]均可量化为-2, -1, 0, 1, 2, 按上文煮饭量模糊推理的方法, 得出沸腾时间和焖饭最高温度查询表如表3。

2.3 温度模糊控制

在电饭锅模糊控制系统中, 锅体是被控对象, 加热器是执行元件, 热敏电阻是温度检测部件, 单片机模糊控制器是控制部件, 这是双输入单输出的模糊控制器。它的工作过程是:根据检测到的温度值, 计算温度偏差及偏差变化率, 经过模糊化处理后得到模糊量。然后, 模糊控制器根据输入变量按照模糊推理合成规则计算得到控制变量。最后, 把模糊控制变量经非模糊化处理转变为精确量去控制被控对象。在温度控制系统中, 温差的基本论域为E={-6, -5, -4, -3, -2, -1, -0, +0, +1, +2, +3, +4, +5, +6}, 采用负大 (NB) 、负中 (NM) 、负小 (NS) 、负零 (N0) 、正零 (P0) 、正小 (PS) 、正中 (PM) 、正大 (PB) 8个模糊量来描述, 这样可以提高温度控制的稳态精度。同理, 温差变化率的变化区间也设定为[-6, +6], 其基本论域为EC={-6, -5, -4, -3, -2, -1, 0, +1, +2, +3, +4, +5, +6}, 采用NB、NM、NS、0、PS、PM、PB7个模糊量描述。设定模糊决策C在区间[-7, +7]上变化, 可以得到模糊决策C的论域C={-7, -6, -5, -4, -3, -2, -1, 0, +1, +2, +3, +4, +5, +6, +7}, 也用NB、NM、NS、0、PS、PM、PB 7个模糊量描述。

某一时刻的控制决策为C=[E*EC]·R, 根据最大隶属度判决法, 把算出的模糊量C转换成相应的输出控制量, 如表5所示。煮饭过程的模糊控制, 就是将表1、表2、表3编成数据表格固化在单片机的E-PROM中, 把模糊矩阵运算和模糊推理简化为查表程序, 用来控制时间和输出功率。

控制软件可以采用模块式结构, 各功能块之间相互独立。由主监控程序完成接口初始化、键状态分析、参数设定等功能。模糊煮饭程序主要由定时处理, 煮饭量、沸腾时间及焖饭最高温度推理组成。中断服务程序完成双向晶闸管触发及继电器的通断控制、定时计算、温度检测功能。

3 结论

和电饭锅类似, 许多常用电器都是多输入多输出的系统, 包含多个工作参数, 它们的控制方式又是非连续的, 各输出量既有某种顺序逻辑, 又相互交错, 很难用单一的数字模型来描述, 只有采用模糊控制才能收到好的效果。

参考文献

[1]余永权.单片机与家用电器智能化技术.北京:电子工业出版社, 1995.

模糊技术篇10

近年来随着Internet的飞速发展, 计算机网络的资源共享进一步加强, 然而资源共享与信息安全历来都是一对矛盾, 网络的安全正面临着越来越严重的挑战。入侵检测技术的出现可以使网络管理员可以获知攻击的发生, 但传统入侵检测技术只能在一定的程度上得知攻击的发生信息, 网络管理员不能获知网络攻击的威胁程度, 不能获知相关的网络安全态势信息, 从而使网络管理员对现实的网络情况做出相应的决策具有很大的难度。

未来的网络应用需要更高的安全性, 这就要求网络管理员要及时地掌握网络安全态势信息, 并及时地做出相应的操作来消除攻击的威胁。网络安全态势评估技术就是解决上述问题的一种新型网络安全技术。

1 网络安全态势评估模型及基于模糊信息融合技术的攻击要素关联

根据waltz的网络安全态势评估总体框架, 文献[1]设计了网络化系统安全态势评估模型。系统分为两个子系统:攻击检测系统和安全态势量化评估系统 (见图1) 。

在对攻击进行评估时, 需要考虑攻击本身的强度和攻击获得成功的难易程度。单纯的入侵检测系统不能给网络管理员提供具体的态势信息, 而只是产生大量的系统信息和底层数据。系统必须将攻击数据提炼成为攻击信息, 进而提炼成为攻击知识后才能为网络管理员所理解、运用。但是由于上述三个攻击要素具有不确定性、非完整性、模糊性和多变性的特点, 因此很难对其进行界定和关联。本文主要探讨第一个子系统, 即基于模糊信息融合技术的攻击要素关联。

2 攻击要素的定义

2.1 攻击危害度C1

结合文献[2]中的不足, 本文对攻击危害度C1的定义:

网络攻击的危害度是指网络攻击对整个应用系统造成危害的程度。对于第k类网络, 第t类攻击的危害度Hkt可由公式 (1) 计算得出。

$C_{1}_{k t} = Ν_{k} (100 A_{t}) (\frac{1}{4} \sum_{r = 1}^{4} C_{t r})$ (1)

本文中假设当前有3种网络类型, 其网络类型影响因子Nk赋值如表1。

攻击类型的划分采用了以攻击侵入层次为依据的分类法, 该方法主要来自于普渡大学的Kumer S的博士论文[3]中的分类法, 将网络攻击分为如表2所示的7类, 以攻击侵入层次递增的顺序排序。At表示第t种攻击类型的影响因子, 见表2。

2.1.1 攻击源影响因子Ct1

攻击的来源。取值为“内部”和“外部”两种。来自内部的攻击一般比来自外部的攻击危害度大, 见表3。

2.1.2 攻击目标影响因子Ct2

攻击针对的目标。根据重要性分为“重要主机”和“一般主机”, 其中重要主机可以根据需要细分为各种服务器, 见表4。

2.1.3 受影响范围影响因子Ct3

表示攻击成功后目标系统受影响的范围。分为“单机单用户”、“单机所有用户”和“网段”3类。

2.1.4 可恢复程度影响因子Ct4

表示攻击成功后目标系统恢复的能力。分为“现场可恢复”、“离线可恢复”和“不可恢复”3类, 见表6。

2.2 攻击难易性

攻击难易性是指该实施某类攻击获得成功的难易程度, 也可以看成是某类攻击发动成功的概率。攻击难易性的计算是通过对被攻击系统是未免疫系统的可能性的计算来完成的。

结合文献[3]并针对其不足, 本文对攻击难易性进行了如下改进。定义如下变量:

HT—目标系统是未免疫系统的类型;

HVT—目标系统是未免疫系统类型的未免疫版本;

ST—目标系统上的服务是未免疫服务类型;

SVT—目标系统上的服务是未免疫服务类型的未免疫版本。

根据系统类型和服务类型的情况, 本文相应地给定一个0—10 之间的值 (如表7) 。将两个值相乘得到攻击难易性值。

2.3 攻击频率

攻击频率是指单位时间内, 网络化系统内某类型网络攻击A被检测出所发生的次数。

3 基于Mamdani模糊推理的攻击要素关联算法。

3.1 输入变量模糊化

本文中输入变量攻击危害度C1、攻击难易度C2、攻击频率C3模糊化均采用三角形隶属度函数[5]。

f (x;

$a, b, c, d) = {\begin{cases} 0, x \leq a; \\ \frac{x - a}{b - a} ‚ a \leq x \leq b; \\ \frac{c - x}{c - b} ‚ b \leq x \leq c; \\ 0, c \leq x 。 \end{cases}$

3.2 应用模糊算子

由于攻击要素包含三个部分, 所以我们给定的规则前有三个命题。这三个命题存在“与”的关系, 本文使用的模糊算子取与算子min (模糊交) 。

3.3 模糊蕴含

在Mamdani算法中模糊蕴涵选取的是最小运算 (Mamdani) :

A→B=min (μA (x) , μB (y) ) 。

3.4 模糊合成

在Mamdani算法中模糊合成选取的是max (模糊并) 。

3.5 反模糊化

反模糊化把输出的模糊集化为确定数值的输出, 在Mamdani算法中反模糊化使用的是中心法 (Centroid) 。

4 仿真实验验证

仿真实验过程分为攻击要素关联和层次态势融合两部分, 其中攻击要素关联实验采用MATLAB 7.0模糊工具箱 (Fuzzy ToolBox) [6], 层次态势融合 (在本文中不做描述) [1]则使用MATLAB 7.0中数值计算功能和统计计算功能, 最终结果通过MATLAB 7.0中图形处理功能展现出来。在本文中采用了2000年11月的HoneyNet数据集[7], 所选用的实验环境变量如下:

4.1 攻击危害度指数C1

根据公式 (1) , 得出

C1=0.5×At×100× (0.7+1+0.7+0.5) /4=35At。

4.2 攻击难易性指数C2

在分析报警数据后, 没有发现一些不相关的无效攻击。本文得出难易性指数C2=系统类型值H×服务类型值V=10×10=100。

4.3 攻击频率指数C3

在本仿真实验中规定攻击频率指数C3=100×攻击次数/MAX。这样就可以解决在模糊推理过程中反复调整输入数据隶属度函数参数的问题。

4.4实验结果与分析

HoneyNet 系统服务级安全威胁态势 (以107主机为例) 直观地给出三个服务的安全态势, 见图2。给管理员提供以下直观信息:相对于其他两个服务, 系统中开通的rpc服务受到频繁攻击。这说明rpc服务可能存在较多或较容易攻破的漏洞, 值得管理员对这个服务的设置情况进行检查。另一方面, 这也可能说明针对rpc服务的攻击是当时网络攻击的主要目标。

5 结论

本文首先提出了网络化系统安全态势评估模型, 进而详细定义了三个攻击要素:攻击频率、攻击难易性和攻击危害度, 使之可以更加精确的表示攻击次数、攻击成功概率和攻击造成的严重后果。然后结合模糊信息融合技术, 针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出了使用Mamdani模糊推理算法来实现攻击要素的关联。通过仿真实验证明该算法可以有效地将IDS产生的海量数据融合为可供网络管理员方便使用的安全态势值。

摘要：主要针对当前网络安全态势知识不易获得的问题, 提出了自己的网络化系统安全态势评估模型并定义了攻击要素。继而使用动态的方法量化了攻击频率、攻击难易性和攻击危害度, 使之可以更加精确地表示攻击次数、攻击成功的概率和攻击造成的严重后果。同时针对攻击信息的不确定性、不完整性、模糊性和多变性的特点, 提出将一种模糊信息融合方法——基于Mamdani模糊推理的算法来实现攻击要素的关联。最后, 应用Matlab7.0仿真实验工具进行了仿真, 实验结果证明, 本文提出的算法可以真实地反映安全态势情况。

关键词：网络安全态势评估,模糊信息融合,攻击要素,关联

参考文献

[1]孙宁.网络化系统安全态势评估设计及态势融合模型研究.硕士学位论文, 兰州:兰州理工大学, 2007

[2]张怡, 张拥军, 陈海涛, 等.一种新的网络攻击危害度定义方法.计算机工程, 2002;28 (8) :33—34

[3]Kumer S.Classification and detection of computer intrusions.Ph.D.Thesis, Purdue University, WestLafayette, Indiana, 1995:08

[4]王磊, 于洪奎, 谢慧, 等.针对具体主机的网络攻击危害度评估模型.计算机工程与设计, 2005;26 (6) :1519—1521

[5]郑亚林, 黄德隆, 郭健, 等.Fuzzy推理的Mamdani算法.宝鸡文理学院学报 (自然科学版) , 2001;21 (3) :168—173

[6]楼顺天, 胡昌化, 张伟.基于MATLAB的系统分析与设计——模糊系统.西安:西安电子科技大学出版社, 2001

模糊技术篇11

【关键词】模糊限制语法律英语翻译模糊语

前言

法律英语属于行业英语范畴，其专业性比较强，涉及到的固定术语也相对比较多。在法律英语单词当中，包含着确切词语和模糊词语，这两种词语代表了语言的精确性和模糊性，一般情况下，准确性是清楚的对某一内容进行表达，而模糊性是指在某种特定情况下，对某种范围进行确定。在法律英语中翻译中，大部分使用的是确切词语，但是根据所对应的内容，也可以使用模糊限制词语，两者的相互结合可以使法律英语翻译的内容更加贴近实际，从而达到良好的应用效果。

一、法律英语的特点

法律作为一种由国家认可并且强制实施的社会规范，其本身具有严格的要求，不管在法律条例还是在语言表达当中，必须要保证其严谨性，而所对应的法律英语，也保持了法律所应有的特征，作为英语中的一个分支，法律英语翻译不仅要符合法律的特征，更要符合英语的特征，但是在特殊情况下，在法律英语翻译中也可以使用相应的模糊词语，但是其使用的地方和范围一定要严格把握，根据以上叙述可以知道，法律英语具有这样几个特点：

1.法律英语翻译有着专业的法律术语。同样的英文单词在不同场合的翻译下，会呈现出不同的意思，部分英语单词在法律英语的翻译当中，已经作为专业的法律术语来进行使用，并且不能进行更改。比如alibi在平常生活中可以翻译为“借口”，但是作为一个法律术语，其代表的意思为“不在犯罪现场”，另外还有box，这个词语在日常生活中被翻译为“盒子”，但是在法律当中就被翻译为“证人席”。

2.法律行话。不管在哪一种行业中都有因职业而发展出来的行话。法律范畴的特性决定了其对严谨性要求比较高。法律英语发展过程中也逐渐形成了各种各样的行话。这些行话代表了法律英语的专业性，比如burden of proof就是举证责任的意思。

3.严谨性。在法律英语当中很少使用hereby（据此）和whereby（凭借）等古旧英语词汇，这代表了法律英语的严谨性。

4.模糊词语的使用。法律英语在模糊词语中应用比较普遍。在法律英语当中，模糊词语一般是使用在法律条文中不能准确表达其语意的情况下，一般是使用在数量、特征和程度上，比如roper，reasonable，more than，serious等。这些英语单词不能表达出准确的情况，但是符合法律英语的准确性，在法律英语中具有普遍认可度。

二、模糊语言在法律英语翻译中的作用和翻译方法

1.模糊语言在法律语言翻译中的作用。首先，对于法律中不能准确表达其范围的地方，模糊语言的使用，可以使相应的法律文本的意思变得更加全面，使其表达的范围更加精确；另外，由于我国在法律法规的制定上，仍旧存在有一些漏洞，为了防止不法分子钻其漏洞，需要模糊语言的使用来使法律更加严谨；法律文本具有较高的严谨性，大部分语言不能进行更改，但是这种不能更改不是绝对的，在法律英语翻译当中使用模糊法律可以增强法律英语的灵活性，使执法人员有着更大的回旋余地，保证执法的顺利进行；最后，在法律文本中，部分语言较为直接，在叙述的时候会带给人一种生硬的感觉，使用法律模糊语言可以改变这种情况，缓解其中的尴尬局面。

2.模糊语言在法律英语中的翻译方法。

（1）模糊性直译。这种翻译方法比较直接，其应用原理是用一种模糊语言来直接翻译另外一种模糊语言，比如在美国宪法》中的序言部分，其中的perfect，common和general就可以被直接翻译为“完善的”、“共同的”和“公共的”。

（2）模糊性意译。这种翻译方法是指用一种模糊语言的意思，来对另外一种模糊语言进行翻译，两种语言的概念虽然不同，但是所代表的意思是一样的，能够让人们对整体翻译具有正确的认知，同时，对法律文本中的意思并没有影响。比如在中华人民共和国刑法》的第四十五条当中，就可以采用模糊性意译的方法，将“六个月以上十五年以下”翻译为not be less than 6 months and not more than 15 years.两者代表了同样一种意思。

（3）省译法。当法律文本当中存在部分近义词的时候，就可以采用这样的方法来进行翻译，近义词之间的连用，是为了强调这几个词语之间的微小差别。比如在《中华人民共和国合同法》中第一百二十五条中的“诚实信用原则”，如果按照原意可以翻译为“the principle of honesty and good faith”，但是这种翻译十分繁琐，利用省译法，可以只翻译诚信和信用两个词语中的一个即可。

结束语：法律英语的特点决定了其翻译过程中对严谨度和准确性要求比较高。传统翻译观念的制约，使法律英语翻译中仍然面临诸多困境。在对法律英语进行模糊翻译的时候，需要根据其中的特定情况，来进行模糊翻译，这样才能够体现出法律的严谨性和权威性。对于法律英语中模糊语的应用，需要人们慢慢探索，才能完善法律英语的运用方法。

参考文献：

[1]汤洪波.法律英语的模糊性及其翻译策略[J].科技信息，2011，（36）：532-533.

基于模糊判别的面像识别技术篇12

1 面像识别的价值与过程

在当前计算机模式识别和图像处理领域中,面像识别最为热门。随着社会信息化与移动互联联网发展的同时,需要思考如何能够利用各种终端去快速有效的完成个人身份的自动识别,为此面像识别在理论与实践中都存在重要的现实意义。从应用的角度,面像识别包括面像身份识别和面像身份确认/验证。面像识别的过程可以分为以下面像检测、面像特征定位与面像对比。面像识别技术是一门融合生物学、心理学和认知学等多学科、多技术的新的生物识别技术,可用于身份确认、身份鉴别、访问控制、安全监控、人机交互等。判断该面像的身份信息,得到面像识别的目的。同时当前许多公众误认为面部、虹膜、指纹、掌纹等体表生物识别技术是一种很安全的高科技产品。但是当前复制和伪造生物体表特征也越来越简单,而且成本低廉,假指纹制作工具可以简单通过指纹考勤机、指纹门锁、指纹保险箱等的验证。对于智能硬件来说,有了面像识别技术,就相当于机器人能够认识人,不仅增加了人机交互的方式,更让硬件变得更加智能。随着技术的进一步成熟和社会认同度的提高,面像识别技术将应用在更多的安防领域,不但可以提高社会运行的效率,也可以大大增强公民日常生活的安全性。目前,面像识别中所用的有效的算法有基本元素分析法、线形辨别分析法、奇异点值分解法,局部特征分析法以及各种基于神经网络的算法。面像识别技术具有很高的安全性与广泛的可用性,在安全性要求高的应用场合,面像识别技术要求识别对象必须亲临识别现场,他人难以仿冒。面像识别技术所独具的活性判别能力保证了他人无法以非活性的照片来欺骗识别系统。这是指纹等生物特征识别技术所很难做到的。例如,用合法用户的断指即可仿冒合法用户的身份而使识别系统无从觉察。

2 基于模糊判别的面像识别技术建立

2.1 面像跟踪技术

在传统应用,面像识别技术的核心实际为“局部人体特征分析”和“图形/神经识别算法”。当前,主流的面像识别系统应用是利用“图形/神经识别算法”“局部特征分析”对面部各器官及特征部位的方位进行分析,提取成数字化信息再与数据库中的样板信息比较、判断、确认,以此鉴定身份。面像跟踪研究的就是如何从动态图片、视频小序列、即时图像、静态图片中找出面像,如果存在面像,则输出面像的性质。面像跟踪就是要在检测到已摘面像的基础上,在处理中继续捕获面像的大小、位置等。在模糊判定中,能够检测平面内旋转的面像,并可以跟踪任意姿态的运动的面像。其中图形/神经识别算法是利用人体面部各器官及特征部位的方法,一般要求判断时间低于1秒。

2.2 面像识别技术

面像识别,属于生物特征识别技术,是对生物体本身的生物特征来区分生物体个体,特指利用分析比较面像视觉特征信息进行身份鉴别的计算机技术。面像识别也是一项热门的计算机技术研究领域,面像追踪侦测,自动调整影像放大,夜间红外侦测,自动调整曝光强度。在面像识别中,需要在处理数据之前必须进行模糊判别,主要方法为降维。在具体应用中,在坐标变换的基础上,寻找A方向,这时也需要转动直线,不断寻找B方向,并保持在一维空间直线上最好的分析能力,获得初步模糊判别的结果。

2.3 面部关键特征定位技术

目前,主流的视网膜识别系统应用是系统用弱红光通过眼的瞳孔进入到眼底视网膜上,再经视网膜血管反射后进入摄像机,对提取出的样板信息进行存储验证、做出身份鉴定。而人眼球视网膜的中央动脉逐级分叉,形成难以计数的叶片,为此眼底视网膜血管图也成为个人识别的生物特征之一。在面像检测的基础上,面部关键特征包括面部特征点的位置,也包括鼻子、眉毛、下巴、额头、眼睛和嘴巴等主要器官的形状信息。比如额头是面部最重要的特征,在模糊判别中,基于区域增长的额头定位技术在面像检测的基础上,从而可以精确快速的定位额头中心位置,形成对于额头的判定。

3 基于模糊判别的面像识别技术应用效果

本实验操作中采用的是A面像库和B面像库。A面像库中含有有姿态、表情变化的10幅图像。B面像库也含有有姿态、表情变化的10幅图像。从每个人的图像集中随机挑选2幅、4幅、6幅、8幅、10幅图片,然后设置好识别模糊判别系统参数,对他们进行特征提取和分类。首先将训练样本降维,结果上述模糊判别步骤,将原样本向量压缩至一维空间,实验结果如表1所示:

通过分析,两个面向图的识别率都比较高,主要是图像投影特征主要反映的是原始模式变化堆大的成分,均方误差最小,而模糊判别特征向量集重点分析能最大程度上忽略外在因素,从而有较高的识别效率。

【模糊技术】推荐阅读：

模糊评判技术06-18

运动模糊图像复原技术08-27

灰色模糊07-16

免疫模糊05-14

模糊测试05-17

模糊加权06-10

模糊空间06-15

模糊增强07-07

智能模糊08-03

模糊优化08-07